利用深度学习模型对美国每个0.01平方度单元格的高分辨率人口估计进行了研究，并比较了直接调查和解聚群体技术的优劣。

Aug, 2017

利用机器学习的计算机视觉方法可从卫星图像中创建全球范围内的人口地图，该方法精度高，适用于全球部署，能够检测城市化地区，有助于基础设施规划、疫苗接种计划、灾难响应和高精度洪水风险分析等。

Dec, 2017

该文介绍了一种用于从粗数据生成精细人口分布的深度学习方法，该方法使用超分辨率卷积神经网络将粗数据直接映射到高分辨率数据，并使用嵌入时间信息的长短时记忆模型有效捕捉周期性变化以实现动态预测。文中对上海市的真实移动数据集进行了广泛的实验验证，并表明该方法优于现有方法和常用数据挖掘方法。

Oct, 2018

该研究提出了一种新的机器学习数据集，可以用于检测非正式聚居地，同时表明使用免费的低分辨率卫星图像进行非正式聚居地侦测是可行的，并演示了两种有效的分类方案，可将这些方案集成到半自动化流水线中。

Jan, 2019

使用多种卫星图像输入的两个卷积神经网络结构有效地结合了来自印度乡村地区的卫星图像和2011年人口普查的人口标签，以准确预测一区域的人口密度，性能优于以往研究以及全球人口分布的标准LandScan。

May, 2019

本论文提出了一种通用框架，利用高分辨率卫星图像对低收入城区中密集型非正式定居点——所谓的“贫民窟”——的人口进行估算，并借助本地社区的合作来获得公正的基础数据，以让机器学习应用更加包容、公平和具有问责性。

Sep, 2020

本研究通过使用遥感技术和微调查数据，估算莫桑比克两个示范区内的人口数量，并评估使用公共数据集进行人口估算的可行性。同时，使用现有的建筑足迹数据集进行转移学习，并结合额外的“点”标注来提升人口估算精度，结果显示使用该方法计算的建筑足迹面积可以显著提升人口预测精度。

Apr, 2021

使用免费且全球可用的Sentinel-1和Sentinel-2卫星图像以及少量粗糙人口普查区域的集总人口计数进行校准，我们开发了一种名为POPCORN的人口映射方法，其数据需求最小，却超越了现有方案的映射准确性，能够生成最新和高分辨率的人口地图，以民主化地为需要更新的地区提供资源。

Nov, 2023

利用计算机视觉技术识别城市村庄边界，发现城市村庄数量和面积随时间减少，为可持续城市发展趋势提供深入洞察，并为视觉基础模型提供指导。

Jan, 2024

研究以2014年至2024年间的遥感影像为基础的贫民窟绘图，重点关注深度学习方法，展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步，以显著提高贫民窟识别精确度，评估了在全球不同地理环境中有效的关键方法，并提出了克服数据限制和模型解释性不足等挑战的潜在策略。

Jun, 2024